[논문 리뷰] Systematic Literature Review of Vision-Based Approaches to Outdoor Livestock Monitoring with Lessons from Wildlife Studies

Stacey D. Scott, Zayn J. Abbas외 7명|arXiv (Cornell University)|2024. 10. 07.

Wildlife Ecology and ConservationEnvironmental Science인용 수 3

한 줄 요약

이 체계적 문헌 고찰은 대규모 비정형 환경에서의 외부 가축 모니터링을 위한 시각 기반 컴퓨터 비전 기법을 분석하며, 야생 동물 연구와의 유사성을 통해 도전 과제를 해결한다. 이 연구는 동물 탐지, 세기, 다중 종 분류 분야에서 딥 러닝이 주요 접근법임을 규명하며, 정밀 가축 사육 분야에서의 기술적 과제와 향후 연구 방향을 제시한다.

ABSTRACT

Precision livestock farming (PLF) aims to improve the health and welfare of livestock animals and farming outcomes through the use of advanced technologies. Computer vision, combined with recent advances in machine learning and deep learning artificial intelligence approaches, offers a possible solution to the PLF ideal of 24/7 livestock monitoring that helps facilitate early detection of animal health and welfare issues. However, a significant number of livestock species are raised in large outdoor habitats that pose technological challenges for computer vision approaches. This review provides a comprehensive overview of computer vision methods and open challenges in outdoor animal monitoring. We include research from both the livestock and wildlife fields in the review because of the similarities in appearance, behaviour, and habitat for many livestock and wildlife. We focus on large terrestrial mammals, such as cattle, horses, deer, goats, sheep, koalas, giraffes, and elephants. We use an image processing pipeline to frame our discussion and highlight the current capabilities and open technical challenges at each stage of the pipeline. The review found a clear trend towards the use of deep learning approaches for animal detection, counting, and multi-species classification. We discuss in detail the applicability of current vision-based methods to PLF contexts and promising directions for future research.

연구 동기 및 목표

• 대규모 비정형 환경에서 외부 가축 모니터링에 사용된 컴퓨터 비전 기법을 식별하고 분석하는 것.
• 외형, 행동, 서식지 측면에서 유사한 과제를 공유함에 따라 야생 동물 모니터링 기법이 가축 환경에 어떻게 적용될 수 있는지 탐색하는 것.
• 이미지 처리 파이프라인 단계(탐지, 세기, 분류, 추적)의 현재 최선의 기술 수준을 맵핑하는 것.
• 시각 기반 가축 모니터링 시스템에서의 열린 기술적 과제와 연구 격차를 규명하는 것.
• 시각 기술을 활용한 정밀 가축 사육(PLF)을 위한 실질적인 통찰과 향후 연구 방향을 제공하는 것.

제안 방법

• 대규모 육상 포유류의 외부 모니터링에 적용된 컴퓨터 비전 기법에 중점을 둔 체계적 문헌 고찰을 수행하였다.
• 이미지 처리 파이프라인 프레임워크를 사용하여 탐지, 세기, 분류, 추적 등의 핵심 단계에서 기법을 분류하고 분석하였다.
• 가축 및 야생 동물 연구에서 281篇의 논문을 검토하여 시각 기반 모니터링의 추세, 기법, 한계를 규명하였다.
• 특히 컨volutional 신경망(CNNs)과 트랜스포머 기반 아키텍처를 포함한 딥 러닝 기반 모델에 초점을 맞춰 객체 탐지 및 분류에 활용하였다.
• 연구의 방법론적 선택, 데이터셋 특성, 성능 메트릭을 평가하여 탄력성과 일반화 능력을 분석하였다.
• 발견한 바를 종합하여 외부 동물 모니터링 분야의 기술적 과제와 향후 연구 기회를 체계적으로 분석하였다.

실험 결과

연구 질문

• RQ1 외부 가축 모니터링에 사용되는 주요 컴퓨터 비전 기법은 무엇이며, 야생 동물 연구에서 사용되는 기법과 어떻게 비교할 수 있는가?
• RQ2 야생 동물 모니터링 방법론이 외부 환경에서 정밀 가축 사육에 얼마나 적합하게 적용될 수 있는가?
• RQ3 실제 외부 조건에서 동물 탐지, 세기, 분류에 있어 핵심 기술적 과제는 무엇인가?
• RQ4 현재의 시각 기반 시스템은 대규모 비정형 서식지에서 다양한 종과 환경 조건에서 어떻게 성능을 발휘하는가?
• RQ5 시각 기반 가축 모니터링 시스템의 탄력성과 확장성을 향상시키기 위한 가장 유망한 연구 방향은 무엇인가?

주요 결과

• 딥 러닝 모델, 특히 컨volutional 신경망(CNNs)과 트랜스포머 기반 아키텍처는 외부 환경에서 동물 탐지, 세기, 다중 종 분류에 있어 주요 접근법이다.
• 복잡한 외부 환경에서 정확도를 향상시키기 위해 탐지와 세그멘테이션을 통합한 엔드 투 엔드 학습 프레임워크로의 명확한 추세가 관찰된다.
• 충돌, 다양한 조명 조건, 식생의 계절적 변화와 관련된 과제는 특히 밀도가 높거나 동적인 환경에서 모델 성능에 심각한 영향을 미친다.
• 다양한 외부 가축 종에 대한 시각적 유사성과 제한된 애너테이션 데이터셋으로 인해 다중 종 분류가 여전히 도전 과제로 남아 있다.
• 야생 동물 모니터링 연구는 전이 학습 및 도메인 적응과 같은 유용한 방법론적 통찰을 제공하며, 이를 통해 가축 모니터링 시스템의 성능을 향상시킬 수 있다.
• 진전이 있었음에도 불구하고, 장기간의 실제 외부 조건에서의 시스템 검증을 위한 연구는 소수에 그치며, 탄력성과 확장성 테스트의 격차가 명백히 드러나 있다.